VoxelMorph：一种用于可变形医学图像配准的学习框架
摘要
我们提出VoxelMorph，一种基于快速学习的可变形成对医学图像配准框架。传统配准方法针对每对图像优化目标函数，对于大型数据集或丰富形变模型而言可能耗时较长。与该方法不同，并基于近期基于学习的方法，我们将配准表述为一个将输入图像对映射到使这些图像对齐的形变场的函数。我们通过卷积神经网络（CNN）对该函数进行参数化，并在一组图像上优化神经网络的参数。给定一对新扫描，VoxelMorph通过直接求函数值快速计算形变场。在这项工作中，我们探索了两种不同的训练策略。在第一种（无监督）设定中，我们训练模型以最大化基于图像强度的标准图像匹配目标函数。在第二种设定中，我们利用训练数据中可用的辅助分割。我们证明了无监督模型的精度可与最先进的方法相媲美，同时速度快几个数量级。我们还表明，使用辅助数据训练的VoxelMorph在测试时提高了配准精度，并评估了训练集大小对配准的影响。我们的方法有望加速医学图像分析与处理流程，同时促进基于学习的配准及其应用的新方向。我们的代码可在 voxelmorph.csail.mit.edu 免费获取。
引用
@article{arxiv.1809.05231,
title = {VoxelMorph: A Learning Framework for Deformable Medical Image Registration},
author = {Guha Balakrishnan and Amy Zhao and Mert R. Sabuncu and John Guttag and Adrian V. Dalca},
journal= {arXiv preprint arXiv:1809.05231},
year = {2019}
}
备注
Accepted to IEEE TMI ( (c) IEEE). This manuscript expands the CVPR 2018 paper (arXiv:1802.02604) by introducing an auxiliary model that uses segmentation maps during training, an amortized optimization analysis, and extensive model analysis. Code available at http://voxelmorph.csail.mit.edu